論文の概要: FlowCrypt: Flow-Based Lightweight Encryption with Near-Lossless Recovery for Cloud Photo Privacy

• arxiv url: http://arxiv.org/abs/2509.18696v1
• Date: Tue, 23 Sep 2025 06:25:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.729419
• Title: FlowCrypt: Flow-Based Lightweight Encryption with Near-Lossless Recovery for Cloud Photo Privacy
• Title（参考訳）: FlowCrypt: クラウドフォトプライバシのためのほぼロスレスリカバリを備えたフローベースの軽量暗号化
• Authors: Xiaohui Yang, Ping Ping, Feng Xu,
• Abstract要約: FlowCryptは、新しいフローベースの画像暗号化フレームワークである。 ほぼロスレスリカバリ、高いセキュリティ、軽量モデル設計を同時に実現している。
• 参考スコア（独自算出の注目度）: 12.640130649935093
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The widespread adoption of smartphone photography has led users to increasingly rely on cloud storage for personal photo archiving and sharing, raising critical privacy concerns. Existing deep learning-based image encryption schemes, typically built upon CNNs or GANs, often depend on traditional cryptographic algorithms and lack inherent architectural reversibility, resulting in limited recovery quality and poor robustness. Invertible neural networks (INNs) have emerged to address this issue by enabling reversible transformations, yet the first INN-based encryption scheme still relies on an auxiliary reference image and discards by-product information before decryption, leading to degraded recovery and limited practicality. To address these limitations, this paper proposes FlowCrypt, a novel flow-based image encryption framework that simultaneously achieves near-lossless recovery, high security, and lightweight model design. FlowCrypt begins by applying a key-conditioned random split to the input image, enhancing forward-process randomness and encryption strength. The resulting components are processed through a Flow-based Encryption/Decryption (FED) module composed of invertible blocks, which share parameters across encryption and decryption. Thanks to its reversible architecture and reference-free design, FlowCrypt ensures high-fidelity image recovery. Extensive experiments show that FlowCrypt achieves recovery quality with 100dB on three datasets, produces uniformly distributed cipher images, and maintains a compact architecture with only 1M parameters, making it suitable for mobile and edge-device applications.
• Abstract（参考訳）: スマートフォン写真の普及により、ユーザーは個人の写真アーカイブや共有にクラウドストレージに頼るようになり、重要なプライバシー上の懸念が高まっている。 既存のディープラーニングベースの画像暗号化スキームは、典型的にはCNNやGANをベースとして構築されており、しばしば従来の暗号アルゴリズムに依存し、固有のアーキテクチャの可逆性を欠いている。 可逆ニューラルネットワーク(INN)は、可逆変換を可能にすることでこの問題に対処するために登場したが、最初の INN ベースの暗号化スキームは、依然として補助参照イメージに依存し、復号前に副産物情報を破棄し、回復の低下と限られた実用性をもたらす。 これらの制約に対処するために,フローベースの新しい画像暗号化フレームワークであるFlowCryptを提案する。 FlowCryptは、入力画像にキー条件のランダムスプリットを適用し、前処理のランダム性と暗号化強度を高めることから始まる。 生成されたコンポーネントは、暗号化と復号化のパラメータを共有する可逆ブロックで構成されるFlowベースの暗号化/復号化(FED)モジュールを通じて処理される。 可逆的なアーキテクチャと参照不要な設計のおかげで、FlowCryptは高忠実度イメージリカバリを保証する。 大規模な実験によると、FlowCryptは3つのデータセット上で100dBのリカバリ品質を実現し、均一に分散した暗号画像を生成し、100万のパラメータしか持たないコンパクトなアーキテクチャを維持し、モバイルおよびエッジデバイスアプリケーションに適している。

関連論文リスト

• GigaTok: Scaling Visual Tokenizers to 3 Billion Parameters for Autoregressive Image Generation [81.58846231702026]
  視覚トークン化のスケーリングにおいて、画像再構成、生成、表現学習を改善するための最初のアプローチであるGigaTokを紹介する。 我々は、遅延空間の増大する複雑さを、再生と世代ジレンマの主な要因とみなす。 数十億ドルのパラメータにスケールアップすることで、GigaTokは、再構築、下流のAR生成、下流のAR表現品質における最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-04-11T17:59:58Z)
• Optimizing Secure Quantum Information Transmission in Entanglement-Assisted Quantum Networks [0.0]
  この研究は、QKD(Quantum Key Distribution)とMulti-Layer Chaotic Encryptionを統合することで問題を解決する。 このフレームワークは、医療、法科学計算、国家安全保障といった重要な分野におけるセキュアな通信プロトコルを定義するための、将来的なアプローチを提供する。
  論文  参考訳（メタデータ） (2025-01-17T00:51:37Z)
• Enabling Practical and Privacy-Preserving Image Processing [5.526464269029825]
  ホモモルフィック暗号化(FHE)は、暗号化されたデータの計算を可能にし、復号化を必要とせずに機密性を保存する。 従来のFHEメソッドは、ピクセルの代わりにモノリシックなデータブロックで画像を暗号化することが多い。 CKKS方式に基づく画素レベルの同型暗号化手法iCHEETAHを提案し,実装する。
  論文  参考訳（メタデータ） (2024-09-05T14:22:02Z)
• HybridFlow: Infusing Continuity into Masked Codebook for Extreme Low-Bitrate Image Compression [51.04820313355164]
  HyrbidFlowは、連続的な機能ベースのストリームとコードブックベースのストリームを組み合わせることで、極めて低い条件下で高い知覚品質と高い忠実性を実現する。 実験の結果、超低速で複数のデータセットにまたがる優れた性能が示された。
  論文  参考訳（メタデータ） (2024-04-20T13:19:08Z)
• PRO-Face S: Privacy-preserving Reversible Obfuscation of Face Images via Secure Flow [69.78820726573935]
  保護フローベースモデルを用いて,プライバシ保護による顔画像の可逆難読化(Reversible Obfuscation of Face image)を略してpro-Face Sと命名する。 本フレームワークでは、Invertible Neural Network(INN)を使用して、入力画像と、その事前難読化されたフォームとを処理し、事前難読化された画像と視覚的に近似したプライバシー保護された画像を生成する。
  論文  参考訳（メタデータ） (2023-07-18T10:55:54Z)
• Human-imperceptible, Machine-recognizable Images [76.01951148048603]
  より良い開発AIシステムと、センシティブなトレーニングデータから距離を置くことの間の、ソフトウェアエンジニアに関する大きな対立が露呈している。 画像が暗号化され、人間に認識され、機械に認識される」という、効率的なプライバシー保護学習パラダイムを提案する。 提案手法は,機械が認識可能な情報を保存しながら,暗号化された画像が人間に認識されなくなることを保証できることを示す。
  論文  参考訳（メタデータ） (2023-06-06T13:41:37Z)
• EViT: Privacy-Preserving Image Retrieval via Encrypted Vision Transformer in Cloud Computing [9.41257807502252]
  本稿では,暗号化ビジョン変換器(EViT)という新しいパラダイムを提案する。 EViTは、画像のプライバシーを効果的に保護しつつ、大きなマージンによる検索精度において、現在のスキームよりも優れた暗号化と検索性能を実現する。
  論文  参考訳（メタデータ） (2022-08-31T07:07:21Z)
• Modeling Lost Information in Lossy Image Compression [72.69327382643549]
  ロスシー画像圧縮は、デジタル画像の最もよく使われる演算子の1つである。 Invertible Lossy Compression (ILC) と呼ばれる新しい非可逆的フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-22T04:04:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。